論文の概要: Meta-Learning over Time for Destination Prediction Tasks
- arxiv url: http://arxiv.org/abs/2206.14801v1
- Date: Wed, 29 Jun 2022 17:58:12 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-30 21:08:47.069872
- Title: Meta-Learning over Time for Destination Prediction Tasks
- Title（参考訳）: 終末予測課題のためのメタラーニング
- Authors: Mark Tenzer, Zeeshan Rasheed, Khurram Shafique, Nuno Vasconcelos
- Abstract要約: 交通分野における公共目的と民間目標の両方を、車両の行動を理解し、予測する必要がある。
近年の研究では、時間情報の導入による予測性能の限界改善しか見出されていない。
本稿では、ニューラルネットワークが入力に応じて自身の重みを変えることを学習するハイパーネットワークに基づくアプローチを提案する。
- 参考スコア（独自算出の注目度）: 53.12827614887103
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: A need to understand and predict vehicles' behavior underlies both public and
private goals in the transportation domain, including urban planning and
management, ride-sharing services, and intelligent transportation systems.
Individuals' preferences and intended destinations vary throughout the day,
week, and year: for example, bars are most popular in the evenings, and beaches
are most popular in the summer. Despite this principle, we note that recent
studies on a popular benchmark dataset from Porto, Portugal have found, at
best, only marginal improvements in predictive performance from incorporating
temporal information. We propose an approach based on hypernetworks, a variant
of meta-learning ("learning to learn") in which a neural network learns to
change its own weights in response to an input. In our case, the weights
responsible for destination prediction vary with the metadata, in particular
the time, of the input trajectory. The time-conditioned weights notably improve
the model's error relative to ablation studies and comparable prior work, and
we confirm our hypothesis that knowledge of time should improve prediction of a
vehicle's intended destination.
- Abstract（参考訳）: 車両の行動を理解し予測する必要性は、都市計画と管理、ライドシェアリングサービス、インテリジェントな交通システムなど、交通分野における公共と民間の両方の目標を基礎としている。
個人の好みや目的の目的地は日、週、年によって異なり、例えばバーは夜で最も人気があり、ビーチは夏に最も人気がある。
この原則にもかかわらず、ポルトガルのポルトで人気のベンチマークデータセットに関する最近の研究では、時間情報の導入による予測性能の限界的な改善しか見出されていない。
本稿では、ニューラルネットワークが入力に応じて自身の重み付けを変更することを学習するメタラーニング("learning to learn")の変種であるハイパーネットワークに基づくアプローチを提案する。
私たちの場合、目的地予測の責任の重みは、特に入力軌道のメタデータ、時間によって異なります。
時間条件重みは,アブレーション研究と同等の先行研究に比較してモデルの誤差を著しく改善し,時間知識が車両の意図する目的地の予測を改善するという仮説を確認した。
関連論文リスト
- MetaFollower: Adaptable Personalized Autonomous Car Following [63.90050686330677]
適応型パーソナライズされた自動車追従フレームワークであるMetaFollowerを提案する。
まず,モデルに依存しないメタラーニング(MAML)を用いて,様々なCFイベントから共通運転知識を抽出する。
さらに、Long Short-Term Memory (LSTM) と Intelligent Driver Model (IDM) を組み合わせて、時間的不均一性を高い解釈性で反映する。
論文 参考訳（メタデータ） (2024-06-23T15:30:40Z) - Valeo4Cast: A Modular Approach to End-to-End Forecasting [93.86257326005726]
我々のソリューションはArgoverse 2 end-to-end Forecasting Challengeで63.82 mAPfでランクインした。
私たちは、知覚から予測までエンドツーエンドのトレーニングを通じて、このタスクに取り組む現在のトレンドから離れ、代わりにモジュラーアプローチを使用します。
私たちは、昨年の優勝者より+17.1ポイント、今年の優勝者より+13.3ポイント、予測結果を+17.1ポイント上回る。
論文 参考訳（メタデータ） (2024-06-12T11:50:51Z) - STDA-Meta: A Meta-Learning Framework for Few-Shot Traffic Prediction [5.502177196766933]
本稿では,データ満足な都市から移動可能なメタ知識を対角的に学習する新しい時間領域適応(STDA)手法を提案する。
この学習されたメタ知識は、データスカース都市の予測性能を向上させることができる。
具体的には,モデル・アテンポラル・メタラーニング(MAML)に基づくエピソード学習プロセスを用いてSTDAモデルを訓練する。
論文 参考訳（メタデータ） (2023-10-31T06:52:56Z) - Sinkhorn-Flow: Predicting Probability Mass Flow in Dynamical Systems
Using Optimal Transport [89.61692654941106]
そこで本稿では, 最適な輸送手段を用いて, 時間とともにそのような物質流を予測する新しい手法を提案する。
我々は、ソーシャルネットワークの設定において、コミュニティがどのように進化していくかを予測するタスクに、我々のアプローチを適用した。
論文 参考訳（メタデータ） (2023-03-14T07:25:44Z) - How do you go where? Improving next location prediction by learning
travel mode information using transformers [6.003006906852134]
本稿では, トランスフォーマーデコーダに基づくニューラルネットワークを提案し, 過去の位置, 時間, 移動モードに基づいて, 個人が訪問する次の場所を予測する。
特に、次の旅行モードの予測は、ネットワークの学習をガイドする補助的なタスクとして設計されている。
実験の結果,提案手法は,他の最先端の次の位置予測手法よりも大幅に優れていることがわかった。
論文 参考訳（メタデータ） (2022-10-08T19:36:58Z) - Control-Aware Prediction Objectives for Autonomous Driving [78.19515972466063]
本研究では,制御に対する予測の下流効果を評価するための制御認識予測目標(CAPOs)を提案する。
本稿では,エージェント間の注意モデルを用いた重み付けと,予測軌跡を接地真実軌跡に交換する際の制御変動に基づく重み付けの2つの方法を提案する。
論文 参考訳（メタデータ） (2022-04-28T07:37:21Z) - Boosting Algorithms for Delivery Time Prediction in Transportation
Logistics [2.147325264113341]
旅行時間の予測は郵便サービスの遅延を軽減できることを示す。
光勾配ブースティングやカソーストなどのブースティングアルゴリズムは、精度と実行効率の点で高い性能を持つ。
論文 参考訳（メタデータ） (2020-09-24T11:01:22Z) - BusTime: Which is the Right Prediction Model for My Bus Arrival Time? [3.1761486589684975]
本稿では, このギャップを補うために, 広く用いられている予測モデルを解析するための汎用的, 実用的な評価枠組みを提案する。
特に、このフレームワークには、入力データポイントをはるかに少なくする生のバスGPSデータ前処理方法が含まれている。
また,都市マネジャーに対して,一般的な予測モデルのトレーニングおよび予測段階における実践的強みと弱みを分析し,予備的な結果を提示する。
論文 参考訳（メタデータ） (2020-03-20T17:03:36Z) - Spatiotemporal Relationship Reasoning for Pedestrian Intent Prediction [57.56466850377598]
視覚データに対する推論は、ロボティクスとビジョンベースのアプリケーションにとって望ましい能力である。
本稿では,歩行者の意図を推論するため,現場の異なる物体間の関係を明らかにするためのグラフ上でのフレームワークを提案する。
歩行者の意図は、通りを横切る、あるいは横断しない将来の行動として定義され、自動運転車にとって非常に重要な情報である。
論文 参考訳（メタデータ） (2020-02-20T18:50:44Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。